基于改进SUSAN算子的车道线检测算法

JOURNAL OF HENAN UNIVERSITY OF ENGINEERING

Vol.29,No.2Jun. 2017

基于改进SUSAN算子的车道线检测算法

李让军，叶冬

(郑州科技学院电气工程学院，河南郑州450064)

Sobel边缘算子对中值滤波后的道路图像进行增强，进而采用SUSAN算子

和Otsu算法相结合的方法将图像分割，利用分区Hough变换进行拟合，识别出车道线.实验结果表明，采用改进的SUSAN算 子分割后的道路图像能够准确提取车道线参数,拟合出车道线，去除噪声，节省了后续Hough变换的时间，提高了算法的抗噪

摘要：为了准确识别道路的车道线，采用45°

性能和实时性.

关键词：车道线检测；中图分类号:495

U

SUSAN算子；Otsu算法；分区Hough变换

文献标志码:A 文章编号：1674 -330X( 2017)02 -0051 -04

车道偏离预警系统可以对注意力不集中的驾驶员进行警告，修庄车辆行进的路线，减少因车道偏离而 发生，事故的概率，是安全驾驶辅助系统的一部分.车道线检测算法是预警系统的关键，能否准确识别道路图 像的车道线，关系着后续系统能否正确预警，

从目前的研究状况来看，已有一些识别车道线的算法，如Sobel算子、Canny算子等，这些算法直接获取 车道线边缘，但也会获得噪声物体的边缘，存在干扰.susan算子可以获得比较准确的车道线边缘[|，但su-

san 算子的阈值是该算法的关键值，怎样获取合适的阈值是研究的重点. 本研究根据道路图像的特点，使用

灰度的敁大丨丨Vj敁小侦和Otsu阈值相结合的方法确定SUSAN算子的阈值，有效地提A' r SLSAN灯子处理 道路图像的效果，能够降低噪声f扰、提高车道线识别的准确性*

1道路图像预处理

道路图像在采集时，环境噪声、车道线磨损等因素严重影响了有用信息的正确提取.因此，需要对道路

图像进行预处理，抑制环境噪声，提高车道线显示的质童.

将车载相机获取的彩色道路图像灰度化、滤波去噪后，图像可分为3个部分，如图1所示.天空、树木等周围噪声集中的区域为不考虑区域，占据图像的&，位于顶部;远方车道 线特征区域为次重要区域，占图像的f，位于中部;近端车道 线位于图像底部，为重要区域，占图像的^■.左右车道线各分两部分[2].

图1

Fig. 1

道路图像分区

2边缘增强算法

/>, Zoning map of road image

为了得到车道线特征突出的比较理想的二值图像，需要 对道路图像进行边缘增强.常用的边缘增强算子有Robert算子、Prewitt算子和Sobel算子等，考虑到Sobel算 子能够抑制噪声的产生且能最大限度地检测出车道线的边界特征，同时考虑到由于透视原因，现实中笔直

收稿日期:2017 -03 -07

作者简介：李让军（1988 -)，女，河南滑县人，助教，研究方向为图像处理.

• 52 •

河南工程学院学报(自然科学版)2017 年

的车道线在图像中显示为斜线，本研究使用45°的Sobel算子对道路图像进行边缘増强，算子的模板如公式(1)所示：

_21_0

10-1

0 -1

-_

-0

-1

_

10-1

2_10_

2.-2

经过处理，获得了车道线特征突出的图像，如图2所示.

图2

Fig. 2

边缘增强后的车道线图像

Road image after edge enhancement

3

基于改进SUSAN算子的车道线图像分割算法

SUSAN算子是一种基于局部灰度值特征进行边缘检测的分割方法，由英国牛津大学学者Smith和

3.1 SUSAN 算子

Brady[3]提出，该算法简单有效，能较好地连接边缘，可以去除图像中的部分噪声，对低层次图像的处理有良 好的适应性和可靠性.与传统的全局阈值相比，该算法定位准确，具有较强的抗干扰能力，能够检测出可靠 的目标.

用一个圆形模板扫描图像，将模板中的每一个像素灰度值与模板中心的像素灰度值进行比较，如果差 值小于设定的阈值（，则将该像素与中心像素归为一类，称为吸收核同值区（USAN，Univalve Segment Assimi­lating Nucleus) . 统计 USAN 区中像素的个数 \\_并与设定的阈值 7\\ISAN 比较 ，判断该中心像素是否属于某个 区域的边缘点，从而实现对目标的检测.本研究采用的SUSAN算子圆形模板半径为3个像素，共有37个像 素，用此模板扫描整个图像.按照公式(2)和公式(3)即可求出圆形模板内USAN区的像素个数：

c(u。）

十則:

-w(;。)

丨。，

⑵

/(r) -/(/〇) I > t,\"

usan

O

。）=

I

^，r〇c(r，’。)， （3)

式中J和b分别为模板的中心像素坐标和其他像素坐标;K •)为各像素的灰度值.3.2结合Otsu算法的改进SUSAN算子

OtSU提出的基于类间方差最大化的分割算法，一直被认为是分割阈值自动选取的最优算法[4].一维Otsu 算法以图像的一维灰度直方图为依据、目标和背景的类间方差为准则来选择最佳的分割阈值，但不能反映 图像的局部空间信息，当道路图像受环境噪声干扰、光照不均匀等因素的影响时，仅用Otsu算法难以获得满 意的分割效果.

用SUSAN算子对图像进行分割时，USAN区域内像素个数阈值7\\ISAN和灰度阈值？是两个非常重要的参数，决定了图像的分割效果.7\\ISAN—般取模板大小的|■，本模板大小为37，则阈值7\\ISAN =27[5].灰度阈值t不能固定不变，否则适应性太差，应该根据道路梯度图像的灰度特征自适应地设定，本研究采用Otsu算法和灰 度最大值与最小值相结合的算法获取灰度阈值^

第2期李让军，等:基于改进SUSAN算子的车道线检测算法• 53 •

采用SUSAN算子分割预处理后的道路图像，步骤如下：

⑴计算图2的灰度最大值和最小值/_，?1 = (/max扣/mm)，获得阈值^ ;(2) 使用一维Otsu算法计算图2的阈值^;

(3) 获取K分特征丨丨标和背读的阈值f

(4) 模板在图像中移动，根据t和公式（1)、公式(2)统计某一点的USAN 1区中像素个数nUSAN;⑶比较％_和7\\ISAN，若

.

> rDS_，说明该中心点为背景或目标，设为0;

(6 )若nUSAN < 7VSAN，说明该中心点为目标边界，设为255;(7)遍历图像，将梯度图像分割，如图3所示.

采用改进的SUSAN算子检测出车道线边缘特征点后，利用分区Hough变换拟合车道线.对比图3可以 看出，图3(a)中车道线的直线特征非常明显，容易识别，同时噪囊点的数國要远低干图3(b)，能够节省 Hough变换的时间，提高算法的准确性和实时性.

(a )本算法

图

（b ) SUSAN算子 （c ) Otsu算法

3

不同算法分割后的道路图像

Fig. 3 Road images by using different segmentation algorithm

4

分区Hough变换拟合车道线

Hough变换利用图像的仝力的対卜:，将H打相卜]参数的不连续的车道线边缘像素点连接起来，获得连续车

道线的斜率和截距.Hough变换的基本忍想足点-线的对偶性，车道线均为直线，故在图像空间中设S标 方程为y =奴+ M为斜率，6为截距[6].本研究使用分区Hough变换获取车道线的参数值，设^^\\和5

,

别为图1中1，3,2,4区域获得的斜率和截距的值.根据文献[7]和小概率事件发生的

3存在觅

KH ~Kkkh

概率，设定斜率和截距的偏差最大值分别为1%和5%.若A、，

— B j uh

^ 1%,

矣5%，则&=

Kj + Ki B j + Bj否则，以重要

一 —

区域的车道线参数为整个道路图像的丰道线参数.若有一个 区域失效，则将另一区域的检测结果4接作为道路标识线的 参数.通过分区Hough变换获得道路图像左右车道线的参 数，& = -0. 531 7, 5, = 553. 826 8,

= 0. 577 4, fir =

61. 199 1，育以准确地拟合出道路图像的车道线，见图4.

5实验结果

« ^

图

4

车道线拟合后的道路图像

图3 (a)有4 2〇7个特征点，Hough算法时间为

, > , .. a ^ ^ , r r

、叫

、r Fig. 4 Road image after the lines were identified

S S

0.687 611 s;图3(b)有29 444个特征点，Hough算法时间为0.8*79 289 s;图3(c)有5 115个特征点，因此，既考虑到了图像整体的亮度，又考虑到了灰度图像的亮度分布，分割后的道路图像既能突出车道线特征，又降 低了大量噪声，能够提尚灯汰的实n、tn.

为了验证本算法的效果，课题组在多种环境下进行了实验，识别效果如图5所示.

道路图像比较复杂，对于车道线来说，光线弱、逆光等造成了图像对比度降低，阴影、树木、行人等环境

• 54 •河南工程学院学报（自然科学版)2017 年

⑷ （b)

图5

Fig, 5

(c) (d) (e) (f)

不同环境下车道线拟合后的道路图像

Road image after the lanes were identified in different environment

噪声会増加提取车道线参数的困难.从图5中h丨以芥出，使用本算法可以准确提取车道线参数，拟合出车道线， 能够有效减少特征点的数園和Hough算法拟合车道线的时间，节省了约6.57%的时间，如表1所示.

表1

Tab, 1

用本算法和SUSAN算子分别进行图像分割后的Hough变换时间对比

Hough transform time after segmented by using the revised algorithm and SUSAN algorithm

不同环境图5(a)图5(b)图5(c)图5(d)图 5(e)图 5(f)平均值

本算法/s0.761 2030.815 6390. 838 7290.800 5250.770 5670.782 6170.794 880

SUSAN 算子/s0.800 7680.827 3650• 942 4710. 854 5090.832 7310. 846 8420.850 781

时间节省/%

4.941.4211.016.327.477.586.57

6结语

在分析道路图像特征的基础上，采用最大类间方差的方法计算SUSAN算子的灰度阈值，这种方法不仅

可以提高SUSAN算子的启适应性，也能综合考虑图像的整体信息和局部信息，提高了算法的实用性.本方法 JWf—足的实时性和抗噪性，可以更快更准确地为午:M偏离预警系统提供车道线参数，也适用于其他类似 图像的分割.

参考文献：

[1] E荣本，余天洪，顾柏园，等.基于边界的车道标识线识别和跟踪方法研究[J].计算机1程，2〇〇6,32(18):195-1%.[2 ][3]

4 5 6

侯利龙.高速公路车道线检测算法研究[D ].郑州：河南工业大学，2012:9.

SMITH S M, BRADY J M. SUSAN—a new approaoh to low level image processing [ J]. Journal of Computer Vision, 1997, 23(1) :45 -78.

梁光明，孙即祥，马琦，等.Otsu算法在Canny算子中的应用[J] •国防科技大学学报,2〇03,25(5):36 -39.

赵志华，蔡健荣，赵杰文，等• SUSAN算子在苹果图像缺陷分割中的应用研究0].计算机I：程，2004,30(15) :141 -142. 章毓晋.图像工程(上册）—2005,35(4) ：420 -425.

图像处理和分析[/M].北京清华大学出版社，1999:187 -190.

贾阳，王荣本,余天洪，等，基于熵最大化边缘提取的直线型车道标识线识别及跟踪方法[J] • W林大学学报（工学版），

Lane detection method based on improved SUSAN operator

LI Rangjun, YE Dong

(Institute of Electric Engineenng, Zhengzhou Institute of Science and Technology, Zhengzhou 450064, China)

Abstract： In order to identify the lane of the road image accurately, the road image which was filtered by median filter was en­

hanced by 45° Sobel algorithm. Then the image was segmented by using the method of combining the SUSAN operator and the Otsu al­gorithm. At last, the lanes were identified by zoning Hough transformation. The results show that the road image which was segmented by improved SUSAN operators can obtain the effective feature points, remove noise, and save time of Hough transformation, improve the anti-noise performance and real-time performance of algorithm.

Keywords： lane detection； SUSAN operator； Otsu algorithm； zoning Hough transformation